Ride-hailing and transit accessibility considering the trade-off between time and money
Notice bibliographique
Résumé
Ride-hailing services have the potential to expand access to opportunities, but out-of-pocket costs may limit the benefits of ride-hail for low-income individuals. This paper examines how ride-hailing services can shape spatial and socioeconomic differences in access to opportunities while accounting for the trade-off between travel time and monetary costs. Using one year of aggregate Uber trip data for Rio de Janeiro in 2019 and a new multi-objective optimization routing method, we analyze the potential for ride-hailing services to improve employment accessibility when used as a standalone transportation mode and in conjunction with transit as a first-mile feeder service. We compare the accessibility Pareto frontiers of these transport mode alternatives with cumulative opportunity measures considering multiple combinations of travel time and monetary cost thresholds. We find that, compared to transit, ride-hailing can significantly expand accessibility as a standalone transport mode for relatively short trips (between 10 and 40 minutes), and as a first-mile feeder to transit in trips longer than 30 minutes. In both cases, the accessibility advantages of ride-hailing are mostly limited by relatively higher out-of-pocket costs. When we account for different affordability thresholds, the accessibility benefits of ride-hailing services accrue mostly to high-income groups. These findings suggest that policy efforts to integrate rideshare with transit are likely not going to benefit low-income communities without some form of subsidized fare discounts to alleviate affordability barriers. The paper also highlights how accounting for trade-offs between travel-time and monetary costs can importantly influence the results of transportation accessibility and equity studies, suggesting that this issue should be addressed in future research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».